AI 数据采集:硬件与规格速览(2026-08)

为什么「数据采集」在 2026 年成了焦点

随着 VLA(视觉—语言—动作)模型架构收敛、机器人硬件供应链成熟,制约规模化落地的瓶颈已从本体和运动控制转移到数据。大语言模型可以直接吃互联网文本,机器人却没有现成的「互联网」可爬——真实世界的交互数据必须一小时一小时地采出来。2026 年因此被业内称为具身智能的「数据元年」。

7.37 亿 → 70 亿 USD全球具身智能数据集市场规模,2024 → 2031(预测),CAGR ≈ 38%,届时中国约占一半

≈ 50 万小时截至 2026 年初,全球高质量真实物理交互数据总量;对照行业公认的千万小时需求,缺口超 95%

89.4% → 12%斯坦福《AI Index 2026》:机器人操作成功率从仿真到真实家庭场景的落差,即 77 个百分点的 Sim-to-Real 鸿沟

最新动态:「100 万小时」竞赛——多家公司在 2026 年把同一个数字写进了年度目标:

2026-08-10

美国 Dyna Robotics 发布 DYNA-2:首个在超 100 万小时人类第一视角视频(约合 170 年连续清醒经验)上预训练的机器人基础模型,宣称验证了「人类视频 → 机器人」的 scaling law——纯视频预训练、零真机动作数据,即可跨本体迁移到机械臂、人形与灵巧手。注意口径差异:这 100 万小时是人类视频,与国内公司竞逐的 100 万小时真机/具身数据不是一回事。

2026-08

黎曼动力 × 光轮智能 × 诺亦腾机器人三方联合,围绕 Riemann-1.0 具身世界动作模型与 Matrix-Game 3.5 交互式世界模型共建数据底座,目标 2026 年底完成 100 万小时具身数据的采集与训练,冲击全球首个。此前黎曼动力用 23.2 万小时数据训练出 Riemann-1.0。

2026 上半年

千寻智能在 100 多个城市布局 30 万+ 采集点位、专职数采人员超千人,一季度真实数据突破 10 万小时,年内目标 100 万小时;星海图同样计划年内完成 100 万小时、三年内达 1000 万小时。

2026-03

京东宣布建设具身智能数据采集中心:以第一视角可穿戴采集为主、真机遥操作为辅,计划一年积累 500 万小时人类真实场景视频、两年突破 1000 万小时,并同步采集 100 万小时机器人本体数据。

对照

NVIDIA GR00T 1.7 公开披露的真实示教 + 第一视角 + 仿真数据合计约 4 万小时;Google DeepMind 联合全球 20 多家机构,才凑出覆盖 22 种本体的 100 多万条轨迹——「百万小时」在这个行业是跨代规模。

政策层面,上海、天津等地已建设具身智能数据采集基地与跨本体开源数据集平台;数据要素正从「产业附属品」变成可定价、可交易的独立商品(真机数据市场价约 500–1000 元/小时)。

一句话:模型不缺架构、机器人不缺身体,缺的是「教材」——真实世界的高质量交互数据;而采集这些数据,需要专门的硬件。

关键前置:什么是「VLA 模型架构收敛」

上一节说「瓶颈转移到数据」的前提,是各家的模型骨架长得越来越像。所谓 VLA 架构收敛,指的是各家技术路线逐渐形成相似的基本框架,可以概括为:

图像/视频 + 语言指令 + 机器人状态 → 预训练 VLM → 动作生成模块 → 机器人动作

具体来说:视觉语言主干负责「看懂环境、理解指令」;动作模块把理解结果转换成关节运动、末端位姿、夹爪开合等命令;训练上先利用大规模图文和多机器人数据预训练,再针对具体机器人和任务后训练。

例如,RT-2 和 OpenVLA 都把动作离散成类似语言的 token,让模型像生成文字一样生成动作;π₀ 同样建立在预训练 VLM 上,但增加了基于 flow matching 的「动作专家」,直接生成连续、高频的动作片段。所以更准确地说:VLA 的宏观范式正在收敛,但具体动作生成方法尚未收敛,目前仍有不少分歧:

离散动作 token,还是连续动作生成;
一次输出一个动作,还是一段 action chunk;
端到端单模型,还是「规划模型 + 控制模型」的分层系统;
是否加入世界模型、记忆、力觉和触觉;
如何适配不同机器人的形态与控制频率。

2026-08 的最新变量:Dyna Robotics 的 DYNA-2 干脆跳出了 VLA 框架,提出 WAM(World-Action Model,世界—动作模型)——基于视频生成构建世界模型,「先想象物理世界会怎么动,再输出动作」(双重 next-frame + next-action 架构)。这等于把上面分歧清单里「是否加入世界模型」这一项,推到了范式之争的位置。

范式 A · 主流

VLA(视觉—语言—动作)

预训练 VLM 主干 + 动作生成模块;代表:RT-2、OpenVLA、π₀。依赖真机动作数据(遥操作等)做后训练——这正是数采硬件行业存在的前提。

范式 B · 挑战者

WAM(世界—动作模型)

视频生成式世界模型 + 动作头;代表:DYNA-2。主张纯人类视频即可预训练出物理直觉与空间推理,动作数据瓶颈可被绕过——若成立,数采行业的重心将从遥操作向可穿戴视频采集大幅倾斜。(厂商自报结论,待同行复现。)

这句话往往还有一层商业含义:当大家的模型骨架越来越相似,竞争重点就会从「发明一种新架构」,转向机器人数据、数据闭环、后训练、实时推理、真机可靠性和硬件成本——这正是「数据采集硬件」成为热门赛道的底层原因,也是本文存在的理由。

对数采选型的直接影响:动作生成方法的分歧,决定了你要什么样的数据——π₀ 类连续高频动作模型吃高频、带完整关节轨迹的遥操作数据;基座预训练更依赖海量人类视频;而若 DYNA-2 的 WAM 路线被广泛验证,纯视频(ego-centric)采集的权重还会进一步上升(见下一节各路线的「针对模型」)。

五条采集技术路线:模型 · 场景 · 玩家 · 卡点

说明:亿欧报告把「遥操作」算一条路线(与 EGO、UMI、仿真并列);本文按控制设备把遥操作再拆成三种(主从臂、VR+手套、外骨骼),因为三者的硬件、成本与卡点差异很大。每条路线给出四栏:针对什么模型、典型场景、代表玩家、最关键的技术卡点。

CH-01

主从臂遥操作LEADER–FOLLOWER

质量

规模化

人拖动「主臂」,机器人「从臂」同步执行,全程记录关节轨迹、视觉画面乃至力反馈,并完整保留人类的决策与修正过程——行业公认的「黄金标准」,也是成本最高、效率天花板最低的「重工业模式」。

针对模型

模仿学习策略与 VLA 后训练:ACT、Diffusion Policy,以及 π₀ 类连续高频动作模型的高质量 SFT 数据。数据自带机器人关节轨迹,训练出的策略可直接部署,不需要额外换算。

典型场景

高精度精密装配、复杂长程任务;被视为模型落地「最后 10%」的高质量数据来源。

代表玩家

学界:ALOHA / Mobile ALOHA、GELLO;产业:智元——张江工厂部署约 200 台机器人,由专职采集员遥操作完成倒水、叠衣、整理床铺等任务。

关键卡点

成本与效率天花板:设备 20 万元+/套、人力约 300 元/天,且必须有机器人在场;同构标定是隐形杀手——主从零点不校准,整批示教数据带固定偏差,训练时无法区分「人类意图」与「系统误差」。

CH-02

VR + 动捕手套遥操作VR + GLOVE

质量

规模化

头显看机器人视野,手套/控制器捕捉人手位姿,经重定向映射到机械臂与灵巧手;贴近人类操作习惯,长距移动漂移低。

针对模型

人形/双臂 VLA 与灵巧手操作策略的真机后训练:GR00T 类人形基座、各家灵巧手抓取与操作模型——灵巧手是当前数据最稀缺的部位,这条路线是主要供给来源。

典型场景

灵巧手精细操作(拧盖、系带、翻书)、人形上半身任务;全身方案示例:Vision Pro + avp_teleoperate 控制 Unitree G1 上半身。

代表玩家

Tesla Optimus(早期方案)、智元采用 VR 遥操 + 动捕手套组合;手套侧:诺亦腾、mHand Pro、Manus,新趋势为柔性触觉数采手套(电子皮肤,法向 + 切向力)。

关键卡点

重定向(retargeting)误差 + 链路延迟:人手到机器手的映射并非线性,手指关节逐个标定;手套有精度漂移;多数方案缺力反馈,接触类任务等于「戴着棉手套干活」;操作员需要培训,人力成本降不下来。

CH-03

外骨骼/驾驶舱遥操作EXOSKELETON

质量

规模化

穿戴式关节匹配,把人的关节角直接设定为机器人姿态,无需视觉估计环节;输出频率与采集频率一致、延迟低,不依赖 GPU 级算力。

针对模型

全身控制 + 上肢模仿的组合范式:如 HOMIE——上肢用模仿学习(外骨骼采集),下肢用强化学习训全身控制,再合成完整人形策略;也服务全身遥操作数据集(宇树已全量开源同类数据与预训练模型)。

典型场景

移动 + 操作的全身协同任务(搬运、开门、跨房间作业),弥补纯上肢方案覆盖不到的身体协调数据。

代表玩家

HOMIE 外骨骼驾驶舱方案(自研手套 PCB,12 bit 角度编码);本体厂商共生路线:灵巧智能等把数采方案与灵巧手硬件一体化设计。

关键卡点

定制硬件、非标供应链——外骨骼是整套方案里最贵的部分;人机关节映射非线性,每个手指关节的映射关系都要单独定义;长时间穿戴疲劳限制单人日采集时长;同样缺力觉通道。

CH-04

手持采集器HANDHELD / UMI

质量

规模化

手持带相机与 IMU 的夹爪装置,人直接干活,SLAM 反推末端轨迹;不追求实时遥控,专注高效生成可泛化数据。无需机器人在场,采集效率接近人手的一半、远高于遥操作,还能采遥操作做不了的动态任务(如投掷)。

针对模型

Diffusion Policy 类可泛化视觉运动策略;最大优势是跨机型复用——数据只含末端轨迹、不绑定本体,一套数据可适配多种机器人形态。

典型场景

中等难度桌面/家庭操作的规模化真机采集(整理、擦拭、抓放),被亿欧报告定位为「成本与质量的最佳平衡点」。

代表玩家

学界:UMI(GoPro + 鱼眼 + 手持夹爪,开源);产业:灵生科技 LivUMI——万元级设备,单条数据成本约 0.6–1.2 美元;数据堂等服务商也提供 UMI 模式定制采集。

关键卡点

SLAM 轨迹精度直接决定任务上限:毫米级可做插孔、开瓶等精细接触任务,退化到厘米级就只剩擦桌子类粗操作;无关节、无力数据;部署需逆运动学 + 可达性校验——人手能摆出的姿态,机器人不一定够得到。

CH-05

第一视角可穿戴EGO-CENTRIC

质量

规模化

采集者佩戴头戴/颈挂设备(常配腕部辅相机保证手部可见),在日常环境中自然干活;不依赖任何机器人本体,部署门槛四条路线中最低,规模化潜力最大。

针对模型

基座模型预训练的「主食」/冷启动:海量人类视频教会模型理解真实世界的语义与操作先验(GR00T 的数据配方即包含第一视角数据)。最强新证据是 DYNA-2:100 万+ 小时纯人类视频预训练、零真机数据,宣称跨本体迁移后仅需数小时本地精调,最短案例 13 分钟数据就让五指灵巧手拧开瓶盖。

典型场景

工厂工位、物流仓储、家庭日常的百万小时级量产采集——京东数采中心即以此为主(目标一年 500 万小时人类视频)。

代表玩家

Dyna Robotics(DYNA-2,WAM 路线旗手)、京东(10 万+ 员工参与采集)、德马科技 × 麦擎智能 OmniEgo 全管线(称综合成本较传统模式降 80%)、它石智航「星火计划」(目标初期 1000 万小时共享)、Meta Aria 类多传感器眼镜。

关键卡点

天生没有动作标签:要靠 SLAM 轨迹恢复 + 3D 手部姿态估计 + 逆运动学重定向,把人手动作「翻译」成机器人动作,误差层层累积;缺力/触觉;人机形态差异(embodiment gap)使部分人类动作无法迁移;大规模拍摄真实工作环境还带来隐私与合规成本。

另外两块必须知道:第三人称动作捕捉(全身运动数据:光学动捕 OptiTrack、Vicon,亚毫米级;惯性动捕 Xsens、诺亦腾、VDSuit-Full)与仿真合成数据——产能无限、边际成本趋近于零,但 Sim2Real 鸿沟(89.4% → 12.4%)难以逾越;银河通用以约 90% 仿真数据训练,无问智科则以「真机为锚 + 无限仿真泛化」绕开鸿沟。行业共识是「真机 + 仿真 + 无本体采集」深度协同,而非互相取代。

不同路线之间的综合成本差距可达约 200×,选型本质是「数据质量 × 规模 × 成本」的三角权衡;而 VLA 动作生成方法未收敛(第 02 节),意味着短期内没有任何单一路线能通吃。

一套采集系统由哪些硬件构成

机器人本体/主从臂:单臂、双臂、人形;末端为夹爪或灵巧手。
XR 头显:Meta Quest 3、Apple Vision Pro——提供第一视角画面与手部位姿追踪。
动捕设备:光学动捕相机阵列(高精度、需场地)、惯性动捕服(便携、有漂移)。
数据手套:惯性/弯曲传感式(如 mHand Pro、Manus);新趋势是柔性触觉数采手套——高密度电子皮肤,可同时采法向力与切向力分布,还原抓握时的接触细节。
视觉传感器:RGB-D 深度相机(Intel RealSense D435/D455、ZED 2、奥比中光),通常多机位(头部 + 双腕 + 环境位)。
力/触觉传感:指尖触觉阵列、腕部六维力/力矩传感器。
边缘算力与同步单元:如 Jetson Orin 系列,负责多传感器数据融合与时间同步。

看懂「规格」:选型时盯这 8 个参数

PARAM-01

自由度(DoF)

设备能捕捉/控制的独立运动维度;单臂 6–7,灵巧手单手 6–20+,全身人形 30+。

PARAM-02

采集频率

动作/关节数据通常 30–100 Hz(ALOHA 类约 50 Hz);惯性动捕 60–240 Hz;光学动捕 120–360 Hz;触觉信号可到 kHz 级;图像通常 30 fps。π₀ 类高频连续动作模型对这项要求最苛刻。

PARAM-03

分辨率/精度

角度编码常见 12 bit(0–4095),如 HOMIE 的手套模块;光学动捕亚毫米级;UMI 依赖 SLAM——毫米级可做插孔、开瓶等精细任务,退化到厘米级就只能做擦桌子类粗操作。

PARAM-04

延迟

遥操作链路越低越好;外骨骼直连方案输出频率可与采集频率一致,无需高性能算力也能保持流畅。

PARAM-05

模态完整性

一条合格数据 = RGB(+深度)+ 关节角/末端位姿 + 夹爪状态(+ 力/触觉)+ 语言任务标注;训练 VLA 需要完整多模态。

PARAM-06

时空同步

视觉、力觉、动作必须对齐到同一时间线(硬件触发或软件对时);同步做不好,数据基本作废。

PARAM-07

标定

主从零点、手眼标定;行业教训:只买同型号零件不校零点,整批示教数据都会带固定偏差,训练时无法区分「人类意图」和「系统误差」。

PARAM-08

数据格式

以 episode(一次完整任务演示)为单位组织;开源事实标准如 Hugging Face 的 LeRobot 格式、Open X-Embodiment/RLDS。

规格的另一半:行业标准与代表数据集

标准化进展(从无到有,进行中)

国内首个具身智能数据集行业标准《人工智能具身智能数据采集规范》由国家地方共建具身智能机器人创新中心牵头立项,统一采集格式、加速共享开源。
国家标准计划《人工智能具身智能数据质量规范》在研,起草方包括中国电子技术标准化研究院、北京人形机器人创新中心、小米、优必选等;国标委另下达《高质量数据集具身智能面向训练基地的数据采集与模型训练规范》计划,浦东落地首个国家级标准化试点。
配套还有《具身智能标准化研究报告》《具身智能数据集及评测研究报告》等指引文件。

代表数据集(看行业「量级」用)

AgiBot World

智元

2000 ㎡真实场景 · 217 项任务 · 3000+ 物品
百万条原子轨迹 2 个月产出;准确率 99%+,格式标准化率 100%
NVIDIA GR00T N1 约 80% 训练数据来自它

RoboMIND

国创中心 + 北大

多本体:单臂/双臂/人形 · 夹爪/灵巧手
279 项任务 · 61 种物体
附检测 benchmark,按成型标准采集

白虎数据集

人形机器人(上海)等

5000 ㎡训练场 · 100+ 台多构型机器人
累计 100 万条 · 2.5 PB 多模态真机数据
数十个工业/民生/特种真实场景

规模化采集设施:已出现「数据采集工厂」形态——如天津某近 1.2 万㎡工厂,部署 150 个标准化采集单元,覆盖汽车制造、3C 装配、家庭、医疗康养等 15 大领域场景;全国训练场已近 30 家。

产业链与玩家类型

基础设施层算力、存储、网络、基础软件;应对海量写入与多模态异构

→

采集层团队 + 硬件 + 平台,把真实操作变成多模态原始数据

→

加工层清洗、标注、对齐、数据集版本管理

→

应用层模型训练、仿真测试、商业交付

本体厂商全栈

宇树 · 智元

硬件 + 数据流水线 + 模型一体;宇树全量开源全身遥操作真机数据集与预训练模型。最懂什么数据「好用」。

第三方数据服务商

数据堂 · 无问智科 · 公象 · 觅蜂

版权数据集、定制采集、平台化交易;正从「卖数据」升级为「基础设施伙伴」。觅蜂已首发 467 个数据集并瞄准千万小时级产能。

仿真为主派

银河通用 · 无问智科

银河通用约 90% 训练数据来自虚拟仿真;无问智科以「真机为锚 + 无限仿真泛化」构建虚实融合闭环。

灵巧手/部件厂商

灵巧智能等

采集方案与硬件共生设计:减少磨损、还原手势,把数采从「外挂工具」变成随本体交付的系统。

资本面:一季度赛道融资近 300 亿元(同比 +63%),光轮智能估值 20 亿美元、它石智航单轮融资 4.55 亿美元。商业模式趋势:垂类场景数据(如特定工厂工序)被视为长期护城河。

方案选型速查(拿来即用)

小规模验证/预算有限 → UMI 或轻量化方案;
精细操作任务(拧瓶盖、插接件)→ VR + 数据手套,或力觉主从;
大规模量产数据/基座预训练 → ego-centric 可穿戴路线;
全身运动数据(行走、搬运)→ 外骨骼、第三人称动捕或混合方案;
要「采完直接训直接部署」→ 主从臂遥操作(数据自带关节轨迹)。

术语补充(接上份词表)

VLA: Vision-Language-Action:看图 + 读指令 + 输出动作的机器人基础模型;架构收敛详见第 02 节
VLM: 视觉语言模型,VLA 的「大脑主干」,负责看懂环境与理解指令
action chunk: 动作片段:一次生成一小段连续动作而非单步,提升流畅度
flow matching: 一类连续生成方法,π₀ 用它做「动作专家」输出高频动作
后训练(post-training): 在预训练基座上用真机数据针对具体机器人与任务精调
retargeting: 重定向:把人手/人体动作映射到机器人关节的换算过程
embodiment gap: 人机形态差异:人类演示动作未必能被机器人身体复现
teleoperation: 遥操作:人远程/同步操控机器人,顺便录数据
leader–follower: 主从臂:人拖主臂、机器人从臂跟随的同构遥操作
ego-centric: 第一视角:从操作者视角采集的数据,如智能眼镜
SLAM: 同步定位与建图;UMI 路线靠它反推运动轨迹
IMU: 惯性测量单元:加速度计 + 陀螺仪,惯性动捕的核心元件
RGB-D: 彩色 + 深度图像,机器人「带距离感的眼睛」
DoF: 自由度:独立运动维度数
episode / trajectory: 一次完整任务演示/其中的状态—动作序列,数据的基本单位
end-effector: 末端执行器:机械臂末端的夹爪或灵巧手
dexterous hand: 灵巧手:多自由度仿人手,数据最稀缺的部位
sim-to-real: 仿真训练迁移到真实世界的能力/差距
world model: 世界模型:让 AI 在「脑内」模拟物理世界演化,可用于生成/评估数据
motion capture: 动捕:记录人体运动位姿的技术,分光学与惯性
六维力传感器: 同时测三向力 + 三向力矩,装在腕部/指尖

信息可靠度说明

高国家数据局典型案例(AgiBot World、白虎)、全国标准信息公共服务平台(国标计划)、科技日报/人民网(标准立项)、RT-2 / OpenVLA / π₀ 官方页面。

中亿欧智库《2026 中国具身智能数据采集与数据产业发展展望》(路线定位、成本结构、案例)、凤凰网/网易等对「100 万小时」竞赛的报道、HOMIE/UMI 等论文的技术长文解读——方向可信,具体数字看量级。

注意成本、效率类数字(「200 倍差距」「成本降 80%」「效率接近人手一半」)与各公司宣称的采集目标均为特定条件下的测算或规划,以实际交付为准;DYNA-2 的全部成绩(20% → 80–90%、87% vs 46%、13 分钟精调等)出自厂商新闻稿与自家技术报告,尚待第三方复现;「路线 → 针对模型/卡点」的对应为综合公开论文与报道的整理,存在例外与混用。

→

下一步(可选)

挑一条路线深挖:出一份 ALOHA/UMI 级别的 BOM 清单 + 逐项规格;
把 RT-2 / OpenVLA / π₀ + DYNA-2 技术报告按「三遍法」带读一遍,理解每类模型到底吃什么数据;
对比国内主要数采服务商的报价模式与交付格式;
把 LeRobot 数据格式拆开讲一遍(顺带练读英文文档)。